融合Landsat 8与Sentinel-2数据的红树林物候信息提取与分类

融合Landsat 8与Sentinel-2数据的红树林物候信息提取与分类 Fusion of Landsat 8 and Sentinel-2 data for mangrove phenology information extraction and classification first-author 薛朝辉，研究方向为遥感图像处理与模式识别、机器学习在遥感地学中的应用等。E-mail： zhaohui.xue@hhu.edu.cn 薛朝辉，研究方向为遥感图像处理与模式识别、机器学习在遥感地学中的应用等。E-mail： zhaohui.xue@hhu.edu.cn zhaohui.xue@hhu.edu.cn 河海大学 地球科学与工程学院, 南京 211100 河海大学 地球科学与工程学院, 南京 211100 School of Earth Sciences and Engineering, Hohai University, Nanjing 211100, China School of Earth Sciences and Engineering, Hohai University, Nanjing 211100, China 科学准确地监测红树林是保护海陆过渡性生态系统的基础和前提，但红树林分布于潮间带，难以进行大规模人工监测。遥感技术能够对红树林进行长时间、大面积监测，但已有研究尚存不足。一方面，红树林分布于热带、亚热带区域，受到天气条件限制难以获得长时间覆盖的有效光学遥感数据；另一方面，红树林极易与其他陆生植被混淆，仅利用多波段数据的光谱信息难以精确识别。本文以恒河三角洲孙德尔本斯地区为例，基于谷歌地球引擎GEE（Google Earth Engine）获取2016年全年的Landsat 8 OLI和Sentinel-2 MSI数据，利用物候信息进行红树林提取研究。首先，基于最小二乘回归构建两个传感器在相同指数之间的关系，重建时间序列数据，之后根据可分性判据选取增强型植被指数EVI（Enhanced Vegetation Index）和陆地表面水分指数LSWI（Land Surface Water Index）。其次，对两个指数的时间序列数据进行Savitzky-Golay滤波处理，并分别提取生长期始期等13种物候信息。最后，将两个指数的物候信息进行特征级联，采用随机森林RF（Random Forest）方法进行分类，提取研究区红树林范围。实验结果表明：Landsat 8 OLI和Sentinel-2 MSI数据融合可有效提升时间序列质量，与基于单一传感器数据的分类结果相比，总体精度提高1.58%；物候信息可以显著增强红树林与其他植被的可分性，与直接使用时间序列数据的分类结果相比，总体精度提高1.92%；同时考虑EVI和LSWI指数可极大地提升分类效果，与采用单一指数相比，总体精度分别提高14.11%和9.69%。因此，本文通过数据融合、物候信息提取和指数特征级联可以更好地提取红树林，总体精度达到91.02%，Kappa系数为0.892。研究验证了物候信息在红树林遥感监测中的应用潜力，提出的方法对科学准确地监测全球或区域红树林具有一定参考价值。 Scientific and accurate monitoring of mangroves is the basis and premise for the protection of marine coastal and transitional ecosystem. However, mangroves are mainly distributed in the intertidal zone, result in large-scale manual monitoring a tough task. Although remote sensing technology can map mangrove within for long time and large area, the existing studies have some shortcomings. On the one hand, mangroves are often distributed in tropical and subtropical regions, where long-term coverage of effective optical remote sensing data is difficult to obtain due to weather conditions. On the other hand, mangroves are easily confused with other terrestrial vegetation by only using spectral information. In this paper, we choose the Sundarbans located in the Ganges River Delta as the study area. Landsat 8 OLI and Sentinel-2 MSI data in 2016 are obtained based on GEE (Google Earth Engine) to conduct mangrove extraction in this research. Firstly, the relation between the two sensors for the same index is constructed based on a least square regression model, which is used to reconstruct the time series data. In this phase, EVI (Enhanced Vegetation Index) and LSWI (Land Surface Water Index) are selected according to the separability criterion. Secondly, Savitzky-Golay filtering is applied to the time series data of the two indices, and 13 phenology metrics are extracted. Finally, these metrics of the two indices are cascaded, and Random Forest (RF) is used to extract the area of mangrove. Fusing the Landsat 8 OLI and Sentinel-2 MSI can effectively improve the quality of time series data. Compared with the classification results based on single sensor data, the overall accuracy is improved by 1.58%. Phenology information can significantly enhance the separability between mangrove and other vegetation, with a 1.92% improvement of overall accuracy compared with the classification results using time series data directly. Considering both EVI and LSWI indices can greatly improve, the classification effect, with 14.11% and 9.69% improvements compared with using a single index. Therefore, the method in this paper can effectively extract mangroves, with the overall accuracy and Kappa coefficient reaching to 91.02% and 0.892 respectively. This research takes full account of the deficiency of optical remote sensing monitoring, biological characteristics and geographical characteristics of mangroves, which can extract the area of mangroves more objectively and accurately. Compared with other similar studies, the differences and characteristics of this study are: (1) Jointly using EVI and LSWI time series to describe the phenological information of mangroves can effectively differentiate mangroves and evergreen forests; (2) We introduce phenology information into mangrove classification using remote sensing for the first time, and verify the feasibility of using phenology information to monitor the range of mangrove. The method proposed in this paper may be benefit for scientific and accurate monitoring of global or regional mangroves. 遥感 红树林 数据融合 物候信息 时间序列数据 GEE 随机森林 remote sensing mangrove data fusion phenology information time series GEE random forests 1　引言 1 红树林生长在热带、亚热带区域，是海岸潮间带滩涂上的木本植物群落，在维持滨海湿地生产力、生物多样性以及保护海岸海堤、防风御浪、改善海湾环境、固碳等方面发挥着巨大的作用（ 范航清和王文卿，2017 范航清和王文卿，2017 ； 杨盛昌 等，2017 杨盛昌 等，2017 ； 生农 等，2021 生农 等，2021 ； 林珲和张鸿生，2021 林珲和张鸿生，2021 ）。然而，红树林生态系统由于沿海开发利用遭到严重破坏，因其抗干扰能力较差，导致修复困难。因此，开展红树林的合理利用与保护成为全球关注的热点问题之一。 科学准确地获取红树林时空分布信息是保护和修复红树林生态系统的基础和前提。红树林通常分布在富含淤泥的海岸潮间带，难以进行大规模野外调查和采样，而遥感技术具有观测范围广、信息量大、获取信息快、更新周期短、可比性强等优点，已成为红树林监测的重要手段（ 周振超 等，2018 周振超 等，2018 ； Wang等，2019 Wang等，2019 ）。其中，Landsat 8与Sentinel-2等中高分辨率多波段光学遥感数据已被广泛应用到红树林资源探测中（ Tamura和Kikushima，2008 Tamura和Kikushima，2008 ； Giri等，2011 Giri等，2011 ； Vo等，2013 Vo等，2013 ）。然而，红树林遥感探测存在以下难点：红树林与陆生植被高度相似，地理空间上无自然隔离，容易造成混分、漏分现象；红树林会受到周期性潮水的浸没，导致长期受到海水淹没的红树林较难提取。针对以上难点，国内外学者已开展了大量的研究。 首先，针对红树林与陆生植被难以区分的问题， 张雪红（2016） 张雪红（2016） 利用归一化差值湿度指数和修正的归一化差值池塘指数对广西山口国家红树林生态自然保护区的红树林进行提取，成功将红树林与陆生植物区分。为了更加充分地利用红树林与陆生植被的光谱差异信息， Baloloy等（2020） Baloloy等（2020） 利用Sentinel-2数据设计了专门用于红树林提取的植被指数。由于红树林与陆生植被叶片结构存在较大区别，有研究融合光学和雷达数据提取红树林（ Zhen等，2018 Zhen等，2018 ； Bunting等，2018 Bunting等，2018 ； Thomas等，2018 Thomas等，2018 ； 周振超，2019 周振超，2019 ； Zhao和Qin，2021 Zhao和Qin，2021 ）。此外，利用红树林为常绿植被的生物特性也能将其与陆生植被进行区分，如 张威等（2015） 张威等（2015） 选择Landsat秋冬季的影像进行分类，成功将红树林和互花米草区分。进一步，有研究利用红树林与陆生植被在不同季相的差异提高了分类精度，如 路春燕等（2019） 路春燕等（2019） 利用红树林、米草以及滩涂在不同季相的光谱特征差异进行分类； Li等（2019） Li等（2019） 利用Sentinel-2构建归一化植被指数时间序列对福建漳江口保护区进行红树林提取。然而，以上研究仅利用红树林常绿植被的生物特性， Chen等（2017） Chen等（2017） 不仅使用了红树林的常绿特性，同时结合了潮汐淹没的地学特性，成功提取中国2015年红树林分布图。综上所述，已有研究根据红树林的生物特征，利用多源和多时相数据将红树林与陆生植被进行有效区分。 其次，针对红树林受到周期性潮水浸没难以识别的问题， 贾明明（2014） 贾明明（2014） 通过确定高潮和低潮线建立淹没红树林指数成功提取被海水淹没的红树林。此外，也有学者考虑红树林的高度进行区分，如 Xia等（2018） Xia等（2018） 利用高潮和低潮时期的遥感影像中更容易反应光谱差异的近红外波段，并结合归一化植被指数，构建了淹没红树林识别指数，分别提取了低矮和高挺的红树林； 徐芳等（2020） 徐芳等（2020） 对比分析了出露的红树林、高潮水位淹没的红树林、海水水体的光谱特征，提出了归一化潮间红树林指数，成功提取福建省龙海九龙江口湿地的红树林。综上可见，学者们通过研究和对比被海水淹没红树林的特征，较好地解决了红树林受到潮水浸没难以识别的问题。 此外，为了能更加高效地提取红树林，也有学者利用红树林的地学特性，如建立海岸线缓冲区（ Long和Giri，2011 Long和Giri，2011 ； 刘大召 等，2019 刘大召 等，2019 ）和筛选低海拔或坡度平缓地区（ Peng等，2020 Peng等，2020 ； 梁浩 等，2016 梁浩 等，2016 ； 董迪 等，2020 董迪 等，2020 ）等方法，建立红树林可能存在的感兴趣区域来进一步提高分类精度。 以上研究虽然能有效提取红树林，但仍存在一定的不足：（1）红树林生长在热带、亚热带地区，光学传感器易受云、雨、雾等不利天气因素的影响，对红树林提取带来困难。微波传感器虽然能够弥补光学影像受天气影响的限制，但雷达数据本身受噪声影响严重，信息较弱，重访周期长，数据成本较高，难以广泛使用。（2）红树林属常绿阔叶林，提取时最为容易与其他常绿植被混淆，而以往研究仅针对红树林与陆生植被的区分进行探讨，并未对红树林和常绿植被的区分进行详细研究。已有研究表明，将Landsat 8 OLI和Sentinel-2 MSI进行融合重建可以有效解决遥感数据存在的时空数据缺失问题，能够为红树林监测提供更高质量的数据源（ Gao和Zhang，2021 Gao和Zhang，2021 ）。红树林与陆生植被的物候信息存在差异，特别地，考虑物候信息能够有效区分红树林与常绿植被（ Pastor-Guzman等，2018 Pastor-Guzman等，2018 ；Berlanga-Robles和Ruiz-Luna，2020； Mandal等，2020 Mandal等，2020 ），但目前尚未有利用物候特征进行红树林提取的研究。 据此，本文基于GEE云平台，以孙德尔本斯为研究区，获取2016年全年的Landsat 8 OLI和Sentinel-2 MSI数据（共计395景影像），进行红树林提取研究。首先，基于最小二乘回归构建两个传感器在相同指数之间的关系，并对Sentinel-2 MSI数据计算得到的指数进行线性变换，获得融合后的数据集，以此重建时间序列数据，之后根据J-M距离选择可分性较高的EVI和LSWI指数时间序列；其次，对两个指数的时间序列数据进行S-G滤波处理，并分别提取生长期始期等13种物候信息；最后，将两个指数的物候信息进行特征级联，采用随机森林方法进行分类，提取研究区红树林范围。 2　研究区与数据资料 1 2.1　研究区概况 2 孙德尔本斯拥有全球最大的单块潮汐嗜盐红树林，该研究区位于恒河三角洲，地处印度和孟加拉国交界，地理范围为21°‍30'N—22°‍30'N，88°‍15'E—89°‍53'E（ Dutta等，2015 Dutta等，2015 ； Ghosh等，2016 Ghosh等，2016 ），研究区区位如 图1 图1 所示。孙德尔本斯河道纵横交错，由许多泥滩和小岛组成（ Ghosh等，2015 Ghosh等，2015 ）。该区域属于热带季风气候，降雨量为1600—2000 mm，温度为11—37 ℃。区域内植被资源丰富，通常可识别的植被类型有常绿灌木、常绿林、落叶林、耕地和草本植被等。红树林通常沿海岸呈块状分布，能够对该地区起到防风御浪的作用，但红树林与沿海植被生长较为紧密，给提取研究带来一定难度。 2.2　数据资料 2 2.2.1　遥感数据 3 研究基于GEE平台获取2016年全年的Landsat 8 OLI数据和Sentinel-2 MSI数据，共计395景影像，如 表1 表1 所示。所获取的Landsat、Sentinel-2数据已经过辐射校正，并且没有几何畸变的问题，无需进行辐射定标、大气校正和几何校正。根据数据集自带的质量评价信息，采用波段逻辑运算进行去云处理。 月份 Landsat 8 OLI Sentinel-2 MSI 1—3月 22 50 4—6月 22 70 7—9月 9 89 10—12月 20 113 合计 73 322 景 2.2.2　样本数据 3 为了更加客观准确地选择地面样本点，选取以下3类数据集作为参考。 （1）2016年全球红树林地图数据（Global Mangrove Watch 2016，以下简称“GMW2016”）：数据来自全球红树林监测项目，该项目主要目的是向缺乏红树林监测系统的国家提供红树林范围和变化图，为防止红树林的进一步损失和退化提供帮助（ Thomas等，2017 Thomas等，2017 ； Bunting等，2018 Bunting等，2018 ）。项目使用ALOS PALSAR和Landsat数据生成全球红树林地图数据，空间分辨率为25 m，用户精度为97.5%。本文选择2016年全球红树林地图数据。 （2）2016年哥白尼全球地表覆盖类型数据（Copernicus Global Land Cover Map，以下简称“CGLS-LC100”）：数据由哥白尼土地监测服务团队提供，包括2015年—2019年全球土地覆盖分类图，空间分辨率为100 m，总体精度为83.3%。该产品将植被分为常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、裸露/稀疏植被等类别。虽然该产品空间分辨率较低，但对植被类型的区分较为详细，故在样本选择时仅作为区分植被类型的参考。本文选择2016年地表覆盖分类图，孙德尔本斯地区分类图如 图2 图2 所示。 （3）Google earth历史影像：本文通过Google Earth Pro软件查看2016年孙德尔本斯地区的历史影像。在对每个地类进行矩形感兴趣区选择时，利用Google earth历史影像对每个感兴趣区进行目视解译。 本文根据研究区植被覆盖类型进行分类，包括红树林、常绿植被、非常绿植被、耕地、无植被地区和水体，如 表2 表2 所示。 地物类型 分类标记 矩形感兴趣区数量/个，总面积/km 2 特征描述 红树林 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772289&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772293&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772291&type= 19.98399925 19.98399925 91， 0.94 红树林覆盖地区 常绿植被 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772295&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772300&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772297&type= 19.98399925 19.98399925 77， 0.32 除红树林外的常绿林和常绿灌丛 非常绿植被 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772302&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772306&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772304&type= 19.98399925 19.98399925 75， 0.13 落叶林、落叶灌丛以及草本植被 耕地 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772307&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772311&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772309&type= 19.98399925 19.98399925 77， 0.21 水田和旱地 无植被地区 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772313&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772316&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772315&type= 19.98399925 19.98399925 71， 1.44 建筑物、裸地和沙地 水体 http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772318&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772322&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32772320&type= 19.98399925 19.98399925 71， 2.88 永久性水体覆盖区域 为简化人工选择的过程、保证样本均匀合理地分布，先选择每类纯净的矩形感兴趣区，再生成随机样本点。首先，利用GMW2016选取研究区内红树林矩形感兴趣区，对于其他地表覆盖类型则参考CGLS-LC100数据，结合Google earth历史影像进行矩形感兴趣区选择；之后，利用Google earth历史影像结合目视解译再次确保样本的准确性；最后，在每类矩形感兴趣区内随机选择100个样本点，共600个样本，得到分类样本数据，如 图3 图3 所示。 2.3　计算平台 2 谷歌地球引擎是2010年由谷歌公司、卡内基梅隆大学和美国地质调查局联合推出的云计算地理空间处理计算平台，该平台存储了海量遥感数据，可以使用基于网络的代码编辑器或开源的Python界面进行数据处理，并拥有强大的计算能力，能够大大减少地理空间数据检索、处理和分析的时间，可为大规模遥感数据处理提供支持（ Chen等，2017 Chen等，2017 ； 付东杰 等，2021 付东杰 等，2021 ； Gorelick等，2017 Gorelick等，2017 ； 刘凯 等，2019 刘凯 等，2019 ）。目前，已有较多研究利用GEE平台对红树林进行遥感监测研究（ Tieng等，2019 Tieng等，2019 ； 王子予 等，2020 王子予 等，2020 ； Liu等，2021 Liu等，2021 ）。本文在Windows 10、Intel Core i7 CPU、64 GB RAM系统环境下运行GEE平台。 3　研究方法 1 首先，采用最小二乘回归融合Landsat 8 OLI和Sentinel-2 MSI数据，分别重建EVI和LSWI时间序列；其次，采用S-G滤波对时间序列进行平滑处理，提取物候信息后将特征进行级联；最后，采用随机森林进行分类。本文采用的技术路线如 图4 图4 所示。 3.1　指数计算与数据融合 2 红树林属常绿阔叶林，植被指数可有效区分红树林和非常绿植被，同时也可在一定程度上区分其他常绿植被。此外，红树林生长环境受潮汐变化影响，具有特殊的水体淹没信息，采用水体指数可进一步区分红树林与其他常绿植被。为此，本文同时利用植被指数和水体指数对红树林进行提取研究，如 表3 表3 所示。 指数名称 公式 描述 2 植被指数 归一化植被指数（NDVI） NDVI= <math id="M1"><mfrac><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>-</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub></mrow><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>+</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771767&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771764&type= 10.92199993 7.11199999 对叶绿素十分敏感，但对于生长茂密的植被会产生饱和现象 增强型植被指数（EVI） EVI=2.5 <math id="M2"><mfenced separators="|"><mrow><mfrac><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>-</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub></mrow><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>+</mo><mn>6</mn><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub><mo>-</mo><mn>7.5</mn><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">b</mi></mrow></msub><mo>+</mo><mn>1</mn></mrow></mfrac></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771773&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771769&type= 28.70199966 7.70466709 加入蓝色波段以增强植被信号，矫正土壤背景和气溶胶散射的影响 2 水体指数 陆地表面水分指数（LSWI） LSWI= <math id="M3"><mfrac><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>-</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub></mrow><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>+</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">S</mi><mi mathvariant="normal">W</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771778&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771776&type= 13.88533401 7.11199999 对植被叶片含水量及土壤湿度敏感 归一化水指数（NDWI） NDWI= <math id="M4"><mfrac><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">G</mi></mrow></msub><mo>-</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub></mrow><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">G</mi></mrow></msub><mo>+</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771784&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771782&type= 10.92199993 7.11199999 抑制植被信息，增强水体信息 由于Landsat 8 OLI和Sentinel-2 MSI传感器具有相似的光谱特性，将这两种数据融合具有全球覆盖以及中等空间分辨率、高时间分辨率地面观测的潜力（ Zhang等，2018 Zhang等，2018 ）。本文使用最小二乘回归法将Landsat 8 OLI与Sentinel-2 MSI进行融合，从而获得稠密时间序列数据。首先，筛选2016年全年的有效数据，并对数据进行去云处理，同时将Sentinel-2 MSI数据重采样至30 m并计算4种指数；其次，筛选出每张Landsat 8 OLI影像前后8 d内日期最接近的Sentinel-2 MSI影像，并获取对应的指数数据；最后，利用匹配的指数数据拟合线性最小二乘回归模型，以此对Sentinel-2 MSI数据进行转换，重构时间序列数据。最小二乘回归数据融合原理如下： <math display="block" id="M5"><msub><mrow><mi mathvariant="bold-italic">y</mi></mrow><mrow><mi mathvariant="bold-italic">i</mi></mrow></msub><mo>=</mo><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>+</mo><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><msub><mrow><mi mathvariant="bold-italic">x</mi></mrow><mrow><mi mathvariant="bold-italic">i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771799&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771796&type= 20.57399940 4.57200003 <math display="block" id="M6"><mtable columnalign="left"><mtr><mtd><msub><mrow><mi mathvariant="bold-italic">x</mi></mrow><mrow><mi mathvariant="bold-italic">i</mi></mrow></msub><mo>=</mo><mo stretchy="false">{</mo><msub><mrow><mi>x</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>,</mo><msub><mrow><mi>x</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>,</mo><mo>⋯</mo><mo>,</mo><msub><mrow><mi>x</mi></mrow><mrow><mi mathvariant="normal">n</mi></mrow></msub><mo stretchy="false">}</mo></mtd></mtr><mtr><mtd><msub><mrow><mi mathvariant="bold-italic">y</mi></mrow><mrow><mi mathvariant="bold-italic">i</mi></mrow></msub><mo>=</mo><mo stretchy="false">{</mo><msub><mrow><mi>y</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>,</mo><mo>⋯</mo><mo>,</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>n</mi></mrow></msub><mo stretchy="false">}</mo></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771805&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771801&type= 28.44799995 9.82133293 式中， x i 为Sentinel MSI植被指数集； y i 为Landsat OLI植被指数集，每个像素相应数据集的植被指数按照时间顺序排列。 <math display="block" id="M7"><mtable columnalign="left"><mtr><mtd><mtable><mtr><mtd><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>+</mo><msub><mrow><mi>x</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>+</mo><msub><mrow><mi>r</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>=</mo><msub><mrow><mi>y</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></mtd></mtr><mtr><mtd><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>+</mo><msub><mrow><mi>x</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>+</mo><msub><mrow><mi>r</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>=</mo><msub><mrow><mi>y</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></mtd></mtr><mtr><mtd><mo>⋮</mo></mtd></mtr></mtable></mtd></mtr><mtr><mtd><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>+</mo><msub><mrow><mi>x</mi></mrow><mrow><mi>n</mi></mrow></msub><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>+</mo><msub><mrow><mi>r</mi></mrow><mrow><mi>n</mi></mrow></msub><mo>=</mo><msub><mrow><mi>y</mi></mrow><mrow><mi>n</mi></mrow></msub></mtd></mtr><mtr><mtd><mi>S</mi><mo stretchy="false">(</mo><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>,</mo><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><msup><mrow><mo stretchy="false">)</mo><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mo stretchy="false">(</mo><msub><mrow><mi>r</mi></mrow><mrow><mi>i</mi></mrow></msub></mrow><mo stretchy="false">)</mo></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mtd></mtr><mtr><mtd><mfrac><mrow><mo>∂</mo><mi>S</mi></mrow><mrow><mo>∂</mo><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></mrow></mfrac><mo>=</mo><mn mathvariant="normal">0</mn></mtd></mtr><mtr><mtd><mfrac><mrow><mo>∂</mo><mi>S</mi></mrow><mrow><mo>∂</mo><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></mrow></mfrac><mo>=</mo><mn mathvariant="normal">0</mn></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771811&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771810&type= 28.70199966 50.46133423 式中， <math id="M8"><msub><mrow><mi>r</mi></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771816&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771813&type= 2.03200006 3.72533321 为残差，分别对 <math id="M9"><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771822&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771818&type= 3.04800010 4.48733330 ， <math id="M10"><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771838&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771836&type= 3.04800010 4.48733330 求偏导，求得在残差最小的情况下每个像素最佳的 <math id="M11"><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771832&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771829&type= 3.04800010 4.48733330 ， <math id="M12"><msub><mrow><mi>β</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771838&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=32771836&type= 3.04800010 4.48733330 。 3.2　时间序列选择与滤波处理 2 为统一数据的时间间隔并在一定程度上削弱大气影响，采用最大合成法构建8 d时间序列。为有效评估不同时间序列对后续分类的效果，采用J-M距离计算类间可分性，对比得到更有利于区分不同地物的时间序列。采用S-G滤波（ Savitzky和Golay，1964 Savitzky和Golay，1964 ）对合成后得到的时间序列曲线进行平滑处理，消除曲线中的异常值。 在滤波过程中，需要设定两个参数：分别是窗口长度（ N ）和多项式拟合阶数（ k ）。为达到最优的平滑效果，需对S-G滤波的参数进行寻优。通过保真性和降噪能力两方面评价滤波效果，其中，保真性利用均方根误差评定，该值表示平滑前后时间序列的差异程度，差异越小，保真性越好；降噪能力通过最值统计进行评定，若滤波后最大值和最小值被去除，则说明达到了去除噪声的目的。 3.3　物候信息提取 2 本文选取了生长期始期、生长期末期、生长期长度、基值等13种物候信息，如 表4 表4 所示。其中，对于生长期始末期，使用最大分离法（ Descals等，2021 Descals等，2021 ）来确定，其余物候信息根据TIMESAT 3.3中的定义（ Jönsson和Eklundh，2004 Jönsson和Eklundh，2004 ）进行提取；此外，对于生长期的积分值利用逐段计算面积的方法来近似代替。 编号 物候信息 类型 定义 a 生长期始期 日期 时间序列呈持续上升趋势的时刻 b 生长期末期 日期 时间序列呈持续下降趋势的时刻 c 生长期长度 长度 从生长期开始到生长期结束的时间段 d 基值 值 左右两侧最小值的平均值 e 生长期中期 日期 左侧上升至80%和右侧下降至80%所对应时间的平均值 f 生长期内最大值 值 生长期内指数的最大值（对应日期可能和生长期中期不一致） g 生长期振幅 值 生长期最大值和基值之差 h 生长期开始时的增长率 值 生长期内左侧20%和80%的差值与相应的时间差的比值计算 i 生长期结束时的下降率 值 生长期内右侧20%和80%的差值所相应的时间差的比值计算 j 整体生长期积分值 值 生长期开始到生长期结束的积分值 k 部分生长期积分值 值 生长期开始到生长期结束基值以上的积分值 l 生长期始期的值 值 时间序列呈持续上升趋势时刻的值 m 生长期末期的值 值 时间序列呈持续下降趋势时刻的值 3.4　分类方法及精度评价 2 本文采用随机森林算法进行分类，该方法分类精度高，模型训练时间少，且对训练样本数量、质量以及样本不均衡问题的敏感性较低，在遥感影像分类中应用广泛（ Talukdar等，2020 Talukdar等，2020 ； 张露洋 等，2021 张露洋 等，2021 ）。研究区包含6种地类，共计600个样本点，其中红树林样本数为100个。采用随机抽样方法，将每类样本打乱后抽取50个，共计得到训练样本和验证样本各300个。通过混淆矩阵计算用户精度、总体分类精度和Kappa系数，作为分类结果的评价指标。 4　实验与分析 1 4.1　指数计算与分析 2 基于Landsat 8 OLI和Sentinel-2 MSI遥感影像分别计算4个指数，如 图5 图5 所示。从 图5 图5 中可以看出，对于植被指数，EVI和NDVI均可有效区分红树林、水体和无植被地区，一定程度上能够区分红树林和耕地。对比 图5（a） 图5（a） 和（b）、（e）和（f），红树林和其他常绿植被的指数差异不太明显。对于水体指数，对比 图5（c） 图5（c） 和（d）、（g）和（h），红树林、非常绿植被和其他常绿植被LSWI差异较NDWI大，但LSWI较难区分红树林和水体，然而二者能被NDWI有效区分。本实验主要利用水体指数区分红树林和其他常绿植被，故选择LSWI更为有效。综上所述，初步分析水体指数中选择LSWI指数的区分度更高，但具体指数选择以及区分能力的判断还要通过指数构建的时间序列来分析。 1,2;3,4;5,6;7,8; 4.2　融合有效性分析 2 通过计算融合前后时间序列的相关性分析融合可靠性。从 表5 表5 可以看出，相关系数均在0.7以上，融合前后时间序列具有较强的相关性。时间序列融合效果较好，具有较高的相关性。 类别 EVI LSWI 红树林 0.80±0.14 0.82±0.14 常绿植被 0.84±0.12 0.83±0.15 非常绿植被 0.72±0.18 0.77±0.13 耕地 0.72±0.18 0.74±0.22 无植被地区 0.74±0.20 0.78±0.13 水体 0.75±0.23 0.72±0.25 通过对比数据融合前后有效观测值的个数分析融合有效性，如 图6 图6 所示。从 图6（a） 图6（a） 和（b）可以看出，数据融合后研究区内全年可获得的有效观测值个数、明显提高。融合前，较多区域全年有效观测值个数仅在0—20；通过数据融合，研究区内全年有效观测值个数基本在20以上。为验证全年有效观测值的时间分布能够满足构建时间序列的要求，对每个季度融合前后有效观测值个数进行统计对比。从 图6（c） 图6（c） —（f）可以看出，通过数据融合，能够保证每个像素在每个时间段内均存在有效观测值，可以构建较为稠密的时间序列。 1,2;3,4;5,6; 4.3　基于J-M距离的指数可分性评价 2 通过J-M距离计算不同指数类别间的可分性，如 表6 表6 所示。可以看出，EVI和LSWI对红树林、常绿植被和非常绿植被这3个类别的可分性相较NDVI和NDWI要高；不同指数对红树林、耕地、裸地和水体这4个类别的可分性均较高，本文选择EVI和LSWI指数构建时间序列。 注： “地物A”vs“地物B”表示两者之间的可分性。 指数 可分性距离 红树林vs常绿植被 红树林vs非常绿植被 红树林vs耕地 红树林vs裸地 红树林vs水体 EVI J-M 1.9997974497 2.0 2.0 2.0 2.0 NDVI J-M 1.9829095904 1.9999999991 2.0 2.0 2.0 LSWI J-M 1.9999963937 1.9999582321 1.9999999962 2.0 1.9996437629 NDWI J-M 1.9674820839 1.9888251679 2.0 2.0 2.0 4.4　S-G滤波参数选择与结果分析 2 本文对红树林、常绿植被、非常绿植被和耕地4个类别的EVI和LSWI指数的时间序列进行滤波参数寻优，如 图7 图7 所示。首先，根据RMSE寻优曲面，选取RMSE较低即保真性较好的参数；再对经过该参数平滑的时间序列进行最值统计，分析去噪能力；最后综合保真性和去噪能力选择最优参数。 1,2;3,4; 表7 表7 给出了EVI、LSWI时间序列S-G参数寻优结果，综合判断选取S-G滤波窗口长度为9，阶数为3。 图8 图8 给出了红树林平滑后的时间序列，可以看出平滑效果较好，能够在保留原始时间序列特征的同时达到去噪效果。 类别 指数 窗口长度 阶数 2 红树林 EVI 9 3 LSWI 7 4 2 常绿植被 EVI 9 3 LSWI 9 3 2 非常绿植被 EVI 9 3 LSWI 9 3 2 耕地 EVI 9 3 LSWI 9 4 1,2;3; 4.5　物候信息提取与结果分析 2 4.5.1　EVI时间序列物候信息 3 利用EVI时间序列提取物候信息，如图 9 9 — 10 10 所示。从 图9 图9 可以看出，生长期始期、生长期长度、基值、生长期内最大值、生长期振幅、整体生长期积分值、生长期始末期的值区分度较高，红树林和其他植被的差别较为明显。首先，对比红树林和其他常绿植被，红树林的生长期始期要明显晚于其他常绿植被，故整个生长期的长度也相对较短，生长期始末期的值要略高于其他常绿植被；在生长期内，红树林的最大值要略高于其他常绿植被，但生长期内的振幅要比其他常绿植被略小。其次，对比红树林、非常绿植被和耕地，物候信息有明显不同。红树林生长期较长，而非常绿植被和耕地都具有明显的季节性，生长期均较短，进入生长期之后较短时间就达到最大值，故两者生长期内的物候尺度，如积分值，增长下降率都有明显差异。 1;2;3;4;5; 1,2;3,4;5,6;7,8;9; 从各类植被中选取具有代表性的样本点描述具体物候信息，如 图10 图10 所示。首先，对比红树林和其他常绿植被，红树林生长期始期约在第150天左右，常绿植被在第50—100天之间，红树林生长期的开始时间要比常绿植被晚两个月左右，而两者的生长期末期基本都在第250天之后，时间较为一致，红树林生长期末期的EVI值要比常绿植被高大约0.1；在生长期内，红树林和常绿植被基值均在0.35—0.4，红树林生长期内的面积明显小于常绿植被。其次，对比红树林、非常绿植被和耕地，非常绿植被的生长期长度在100 d左右，比红树林短的多。非常绿植被生长期始末期的值在0.45左右，与红树林较为相近，而耕地生长期始末期的值较低，旱地在0.3左右，水田则大约为0。 综上所述，虽然红树林属于常绿植物，在物候信息上与常绿植被有明显的相似性，但也仍有不同之处。不同植被类型EVI时间序列的物候信息有明显区别，可有效区分红树林和其他植被类型。 4.5.2　LSWI时间序列物候信息 3 通常物候信息都是通过植被指数构建时间序列进行提取，但潮汐变化会导致红树林淹没状态的不同，月内、年内的潮汐变化会影响到红树林的水分信息，通过LSWI大致记录潮汐变化构建时间序列是区分红树林和其他常绿植被的关键。本实验通过最大合成法来选择每个时间段LSWI的最大值，这在一定程度上能够减少日内高潮、低潮的影响。避免某些时间段受潮汐影响本该有较强的水分信息，但由于选取了该时段内某天低潮时刻的值而削弱了水分信息。利用LSWI时间序列提取物候信息，如图 11 11 — 12 12 所示。从 图11 图11 可以看出生长期始末期、生长期长度、基值、生长期中期、生长期结束时的下降速度、生长期始末期的值区分度较高，红树林和其他植被的差别较为明显。首先，红树林生长期始中末期均早于其他植被，生长期始末期的值明显高于其他植被；其次，在生长期内，红树林基值高于除水田外的其他植被，振幅略小于其他植被。 1;2;3;4;5; 1,2;3,4;5,6;7,8;9; 从各类植被中选取具有代表性的样本点描述具体物候信息，如 图12 图12 所示。首先，红树林生长期始期在第50—100天，其他类型植被均在第100天之后，较红树林始期早一个月左右；红树林生长期末期在第150—200天，明显早于其他植被150天左右；红树林生长期始末期的值在0.4左右，明显高于其他内陆植被，水田生长期始末期的值在0.55左右；其次，在生长期内，红树林基值约0.35，要明显高于除水田外的其他植被，最大值在0.5左右，比常绿植被和非常绿植被高0.1左右。 综上所述，由于红树林受到海水周期性侵蚀，具有较强的潮汐信息，不同植被类型LSWI时间序列的物候信息有明显区别，可有效区分红树林和其他植被类型。 4.6　分类结果与分析 2 4.6.1　随机森林参数选择 3 随机森林算法中决策树的个数对分类结果有较大影响，需对该参数进行最优化选择。本文设置决策树3，5，10，20，50，100，150，200，分别运行10次进行统计分析。 图13 图13 显示了Kappa系数随决策树个数的变化情况，当决策树个数由3—150变化时，精度有明显地提升；当决策树个数达到150时，分类精度最高；当决策树个数增加至200时精度有明显地下降。为此，将决策树的个数设置为150进行分类。 4.6.2　数据融合效果对比 3 表8 表8 给出了融合前后的精度对比结果，可以看出，通过数据融合总体精度由89.44%提升到91.02%，Kappa系数由0.873提升到0.892。 图14 图14 显示了仅使用Sentinel-2 MSI进行分类的结果，与GMW2016数据集对比可以看出，由于时间序列较为稀疏导致的红树林和其他植被的时间序列存在相似性，在内陆地区存在较多的红树林错分现象。由此可知，通过数据融合构建了更加真实的时间序列，从而能够提取更为准确的物候信息，提高了不同植被之间的区分度，分类精度显著提高。 2 类别 仅使用Sentinel-2数据 Landsat 8和Sentinel-2数据融合 2 用户精度/% 红树林 84.30±5.22 86.62±3.50 常绿植被 86.89±5.80 90.23±5.38 非常绿植被 78.07±7.76 79.14±5.93 耕地 94.95±2.66 91.75±3.46 无植被地区 97.76±1.51 97.19±2.69 水体 98.59±0.98 100.00±0.00 总体精度/% 89.44±1.91 91.02±0.85 Kappa系数 0.873±0.02 0.892±0.01 4.6.3　不同输入特征的红树林提取结果对比 3 为了分析EVI和LSWI以及物候信息对红树林提取结果的影响，实验设置不同的特征组合进行对比：（1）分别输入［EVI，LSWI］的时间序列和［EVI，LSWI］时间序列的物候信息进行对比；（2）分别将EVI、LSWI、［EVI，LSWI］时间序列提取的物候信息作为输入进行对比。 根据第1组实验对比，如 表9 表9 所示，利用EVI、LSWI时间序列共96个特征进行分类得到总体精度为89.10%，Kappa系数为0.869，而利用EVI、LSWI时间序列的物候信息共26个特征进行分类得到的总体精度为91.02%，Kappa系数为0.892，精度有明显地提升。结果与GMW2016数据集进行对比，从 图15（a） 图15（a） 可以看出，利用时间序列直接进行分类，不仅在红树林与其他植被过渡区域内有大量的错分漏分现象，且研究区北部也有大量的植被被错分为红树林。由此可见，物候信息能够反应植被随季节的变化特征，对时间序列进行物候信息的提取可以更好地显示红树林的季节特征，提高不同地物类别的区分度。 注： ［EVI，LSWI］表示同时输入EVI和LSWI指数的时间序列进行分类。 3 类别 时间序列 3 物候信息 ［EVI，LSWI］ ［EVI，LSWI］ EVI LSWI 用户精度/% 3 用户精度/% 红树林 86.19±5.72 86.62±3.50 66.69±5.48 79.88±4.72 常绿植被 94.72±2.37 90.23±5.38 72.46±7.70 83.54±5.05 非常绿植被 73.57±3.81 79.14±5.93 43.78±11.52 61.32±7.13 耕地 89.22±4.91 91.75±3.46 94.07±2.14 89.68±3.13 无植被地区 95.56±4.31 97.19±2.69 86.17±5.48 93.05±4.29 水体 100±0.00 100.00±0.00 100±0.00 80.84±3.28 总体精度/% 89.10±2.08 91.02±0.85 76.91±2.60 81.33±1.19 Kappa系数 0.869±0.02 0.892±0.01 0.723±0.03 0.776±0.01 1,2;3,4;5; 根据第2组实验对比，如 表9 表9 所示，分别利用EVI和LSWI时间序列的物候信息作为特征输入进行分类总体精度为76.91%和81.33%，Kappa系数分别为0.723和0.776，而同时使用EVI和LSWI时间序列的物候信息使得总体精度分别提高14.11%和9.69%，分类精度显著提升。结果与GMW2016数据集进行对比，从 图15（c） 图15（c） 可以看出，仅利用EVI时间序列的物候信息进行分类时，虽然能够较好地区分水体和红树林，但红树林与其他类别具有相似的植被信息，导致产生大量错分现象；根据 图15（d） 图15（d） ，仅利用LSWI时间序列的物候信息进行分类时，一些无植被沿海沼泽地区被错分为红树林，但红树林叶片含水量以及土壤湿度与其他植被的显著差异大大减少了陆地植被的错分现象。由此可见，仅利用EVI时间序列的物候信息无法较好地区分红树林和其他植被，但未添加植被特征信息也无法将红树林与无植被沿海沼泽地区较好区分。因此，同时使用EVI和LSWI时间序列的物候信息可以更加充分地利用红树林的物候特性，从而能够更为精确的提取红树林。 从 图15（b） 图15（b） 可以看出，利用EVI、LSWI时间序列的物候信息分类效果较好，仅在红树林与陆地植被的过渡区域存在少量错分现象。 综上所述，物候信息能够更好地表征时间序列随季节变化的规律性，利用物候信息进行分类有效增强了不同植被的可分性，从而提高红树林分类精度；此外，同时使用EVI、LSWI时间序列的物候信息进行分类较好地弥补了单独使用一个特征指数的不足，有利于红树林的精确提取。 4.6.4　红树林提取结果分析 3 从 图16 图16 可以看出，本文方法提取的红树林大多呈斑块状分布在沿海滩涂及附近地区，内陆地区无明显的红树林分布，但有较多耕地、常绿植被和非常绿植被。分类图中主要的错分区域为红树林和陆地植被过渡区域，有部分陆地植被被错分为红树林，但整体结果较可信。 4.6.5　相关研究结果对比 3 近年来有较多学者针对孙德尔本斯地区进行红树林提取研究，对孙德尔本斯地区红树林相关研究进行整理，如 表10 表10 所示。 参考论文 研究区域 研究时间/年 使用数据 输入特征 精度 （Dan等，2016） 孙德尔本斯 1998 2001 2014 Landsat 光谱波段NDVI 2014：OA=87.0% Kappa=0.73 （Kumar等，2019） 孙德尔本斯（亨利岛及周边） 2014 EO-1 5个植被指数 OA=89.48% Kappa=0.80 （Gupta等，2018） 孙德尔本斯（印度） 2018 Landsat 红树林综合识别指数（CMRI） Kappa=0.7312 （Islam等，2019） 孙德尔本斯（孟加拉国南部沿海地区） 1976 1989 2000 2015 Landsat 光谱波段 1976：OA=80.00% Kappa=0.74 1989：OA=80.24% Kappa=0.73 2000：OA=87.00% Kappa=0.82 2015：OA=96.91% Kappa=0.96 （Jia等，2019） 孙德尔本斯（达尔豪斯岛） 2017 Sentinel 红树林指数MFI（Mangrove Forest Index） OA=96.80% Kappa=0.93 本论文 孙德尔本斯 2016 Landsat、Sentinel EVI、LSWI时间序列物候信息 OA=91.02% Kappa=0.892 由 表10 表10 可知，近年来对孙德尔本斯进行红树林的提取研究中，都未考虑利用多源遥感数据和红树林的物候信息，但也有研究中取得了较为理想的精度。 在小范围提取研究中， Gupta等（2018） Gupta等（2018） 考虑到红树林受潮汐淹没的特性，利用NDVI和NDWI指数构建红树林综合识别指数； Jia等（2019） Jia等（2019） 也利用此特性构建指数，得到了较为理想的精度；除了利用多光谱数据， Kumar等（2019） Kumar等（2019） 利用EO-1高光谱数据，在提取亨利岛及周边红树林的基础上对红树林种群进行了分类。 但以上研究的提取范围都较小，在较大范围的提取研究中，较多研究会预先对研究区进行圈定。如 Dan等（2016） Dan等（2016） 去除高于30 m地区和非植被地区并根据海岸线建立缓冲区； Islam等（2019） Islam等（2019） 选择的研究区内不存在除红树林外的植被区域，这大大提高了红树林的可分性。 本研究对整个孙德尔本斯地区进行红树林提取，未对研究区进行预先圈定，排除了人工选择的干扰，且研究区内包含各种常绿、非常绿等易于红树林混淆的植被。与已有研究不同，本文通过：（1）融合Landsat 8 OLI和Sentinel-2 MSI数据构建更加可靠的时间序列；（2）从时间序列中提取物候信息增大红树林与其他植被的可分性；（3）联合使用EVI和LSWI时间序列的物候信息弥补单一指数的不足，客观准确地对红树林进行了提取，也得到较为理想的精度。 5　结论 1 本文基于GEE平台获取Landsat 8 OLI和Sentinel-2 MSI影像数据集进行红树林提取研究。首先，基于最小二乘回归构建两个传感器在相同指数之间的关系，重建时间序列数据，之后选择可分性较高的EVI和LSWI指数时间序列；其次，对两个指数的时间序列数据进行S-G滤波处理，并分别提取13种物候信息；最后，将两个指数的物候信息进行特征级联，利用随机森林对孙德尔本斯地区2016年的红树林进行提取，总体精度为91.02%，Kappa系数为0.892，红树林提取效果较好。本文主要结论如下： （1）融合Landsat 8 OLI和Sentinel-2 MSI数据可以构建更加可靠的时间序列，有利于得到更准确的物候信息，融合后总体精度提高1.58%，Kappa系数提高0.02。 （2）物候信息可以增大红树林与其他植被的可分性，利用物候信息进行分类可使总体精度提高1.92%，Kappa系数提高0.02。 （3）联合EVI和LSWI时间序列的物候信息较好地弥补了单一指数的不足，有利于红树林的精确提取，与单独使用这两个指数相比，总体精度分别提高14.11%和9.69%，Kappa系数分别提高0.17和0.12。 本文充分顾及单一来源遥感数据监测红树林的不足、不同指数对红树林的区分特点以及红树林的物候特性，融合Landsat 8 OLI与Sentinel-2 MSI时间序列数据，联合EVI和LSWI时间序列的物候信息，对孙德尔本斯地区红树林进行提取研究。与已有的研究相比，本研究的主要特色和不同体现在：一方面，利用EVI和LSWI时间序列描述红树林的物候信息，解决了红树林与其他常绿植被难以区分的问题；另一方面，首次将物候信息引入到红树林遥感提取中，能够更客观、准确地提取红树林，验证了物候信息对红树林提取的有效性。此外，本方法利用红树林特性对其进行提取，理论上来说能够普遍使用于各个地区，未来将会对该方法进行推广并验证其有效性。论文不足之处在于仅利用了一年的观测数据，物候信息可能会有一定的偏差，后续研究将利用更长周期的时间序列数据进行红树林提取研究。 参考文献（References） Baloloy A B , Blanco A C , Sta . Ana R R C and Nadaoka K . 2020 . Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping. ISPRS Journal of Photogrammetry and Remote Sensing , 166 : 95 - 117 [ DOI: 10.1016/j.isprsjprs.2020.06.001 http://dx.doi.org/10.1016/j.isprsjprs.2020.06.001 ] Ana R R C and Nadaoka K Berlanga-Robles C A and Ruiz-Luna A . 2020 . Assessing seasonal and long-term mangrove canopy variations in Sinaloa, northwest Mexico, based on time series of enhanced vegetation index (EVI) data . Wetlands Ecology and Management , 28 ( 2 ): 229 - 249 [ DOI: 10.1007/s11273-020-09709-0 http://dx.doi.org/10.1007/s11273-020-09709-0 ] Assessing seasonal and long-term mangrove canopy variations in Sinaloa, northwest Mexico, based on time series of enhanced vegetation index (EVI) data Bunting P , Rosenqvist A , Lucas R M , Rebelo L M , Hilarides L , Thomas N , Hardy A , Itoh T , Shimada M and Finlayson C M . 2018 . The global mangrove watch—a new 2010 global baseline of mangrove extent . Remote Sensing , 10 ( 10 ): 1669 [ DOI: 10.3390/rs10101669 http://dx.doi.org/10.3390/rs10101669 ] The global mangrove watch—a new 2010 global baseline of mangrove extent Chen B Q , Xiao X M , Li X P , Pan L H , Doughty R , Ma J , Dong J W , Qin Y W , Zhao B , Wu Z X , Sun R , Lan G Y , Xie G S , Clinton N and Giri C . 2017 . A mangrove forest map of China in 2015: analysis of time series Landsat 7 / 8 and Sentinel- 1 A imagery in Google Earth Engine cloud computing platform. ISPRS Journal of Photogrammetry and Remote Sensing , 131 : 104 - 120 [ DOI: 10.1016/j.isprsjprs.2017.07.011 http://dx.doi.org/10.1016/j.isprsjprs.2017.07.011 ] A mangrove forest map of China in 2015: analysis of time series Landsat Dan T T , Chen C F , Chiang S H and Ogawa S . 2016 . Mapping and change analysis in mangrove forest by using Landsat imagery . ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, III- 8 : 109 - 116 [ DOI: 10.5194/isprsannals-III-8-109-2016 http://dx.doi.org/10.5194/isprsannals-III-8-109-2016 ] Mapping and change analysis in mangrove forest by using Landsat imagery Descals A , Verger A , Yin G F and Peñuelas J . 2021 . A threshold method for robust and fast estimation of land-surface phenology using Google Earth Engine . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 14 : 601 - 606 [ DOI: 10.1109/jstars.2020.3039554 http://dx.doi.org/10.1109/jstars.2020.3039554 ] A threshold method for robust and fast estimation of land-surface phenology using Google Earth Engine Dong D , Zeng J S , Wei Z and Yan J H . 2020 . Integrating spaceborne optical and SAR imagery for monitoring mangroves and Spartina alterniflora in Zhangjiang Estuary . Journal of Tropical Oceanography , 39 ( 2 ): 107 - 117 Integrating spaceborne optical and SAR imagery for monitoring mangroves and Spartina alterniflora in Zhangjiang Estuary 董迪 , 曾纪胜 , 魏征 , 严金辉 . 2020 . 联合星载光学和SAR影像的漳江口红树林与互花米草遥感监测 . 热带海洋学报 , 39 ( 2 ): 107 - 117 [ DOI: 10.11978/2019063 http://dx.doi.org/10.11978/2019063 ] 联合星载光学和SAR影像的漳江口红树林与互花米草遥感监测 Dutta D , Das P K , Paul S , Sharma J R and Dadhwal V K . 2015 . Assessment of ecological disturbance in the mangrove forest of Sundarbans caused by cyclones using MODIS time-series data ( 2001-2011 ). Natural Hazards , 79 ( 2 ): 775 - 790 [ DOI: 10.1007/s11069-015-1872-x http://dx.doi.org/10.1007/s11069-015-1872-x ] Assessment of ecological disturbance in the mangrove forest of Sundarbans caused by cyclones using MODIS time-series data Fan H Q and Wang W Q . 2017 . Some thematic issues for mangrove conservation in China . Journal of Xiamen University (Natural Science) , 56 ( 3 ): 323 - 330 Some thematic issues for mangrove conservation in China 范航清 , 王文卿 . 2017 . 中国红树林保育的若干重要问题 . 厦门大学学报(自然科学版) , 56 ( 3 ): 323 - 330 [ DOI: 10.6043/j.issn.0438-0479.201612003 http://dx.doi.org/10.6043/j.issn.0438-0479.201612003 ] 中国红树林保育的若干重要问题 Fu D J , Xiao H , Su F Z , Zhou C H , Dong J W , Zeng Y L , Yan K , Li S W , Wu J , Wu W Z and Yan F Q . 2021 . Remote sensing cloud computing platform development and Earth science application . National Remote Sensing Bulletin , 25 ( 1 ): 220 - 230 Remote sensing cloud computing platform development and Earth science application 付东杰 , 肖寒 , 苏奋振 , 周成虎 , 董金玮 , 曾也鲁 , 闫凯 , 李世卫 , 吴进 , 吴文周 , 颜凤芹 . 2021 . 遥感云计算平台发展及地球科学应用 . 遥感学报 , 25 ( 1 ): 220 - 230 [ DOI: 10.11834/jrs.20210447 http://dx.doi.org/10.11834/jrs.20210447 ] 遥感云计算平台发展及地球科学应用 Gao F and Zhang X Y . 2021 . Mapping crop phenology in near real-time using satellite remote sensing: challenges and opportunities . Journal of Remote Sensing , 2021 : 8379391 [ DOI: 10.34133/2021/8379391 http://dx.doi.org/10.34133/2021/8379391 ] Mapping crop phenology in near real-time using satellite remote sensing: challenges and opportunities Ghosh A , Schmidt S , Fickert T and Nüsser M . 2015 . The Indian sundarban mangrove forests: history, utilization, conservation strategies and local perception . Diversity , 7 ( 2 ): 149 - 169 [ DOI: 10.3390/d7020149 http://dx.doi.org/10.3390/d7020149 ] The Indian sundarban mangrove forests: history, utilization, conservation strategies and local perception Ghosh M K , Kumar L and Roy C . 2016 . Mapping long-term changes in mangrove species composition and distribution in the Sundarbans . Forests , 7 ( 12 ): 305 [ DOI: 10.3390/f7120305 http://dx.doi.org/10.3390/f7120305 ] Mapping long-term changes in mangrove species composition and distribution in the Sundarbans Giri C , Ochieng E , Tieszen L L , Zhu Z , Singh A , Loveland T , Masek J and Duke N . 2011 . Status and distribution of mangrove forests of the world using earth observation satellite data . Global Ecology and Biogeography , 20 ( 1 ): 154 - 159 [ DOI: 10.1111/j.1466-8238.2010.00584.x http://dx.doi.org/10.1111/j.1466-8238.2010.00584.x ] Status and distribution of mangrove forests of the world using earth observation satellite data Gorelick N , Hancher M , Dixon M , Ilyushchenko S , Thau D and Moore R . 2017 . Google Earth Engine: planetary-scale geospatial analysis for everyone . Remote Sensing of Environment , 202 : 18 - 27 [ DOI: 10.1016/j.rse.2017.06.031 http://dx.doi.org/10.1016/j.rse.2017.06.031 ] Google Earth Engine: planetary-scale geospatial analysis for everyone Gupta K , Mukhopadhyay A , Giri S , Chanda A , Datta Majumdar S , Samanta S , Mitra D , Samal R N , Pattnaik A K and Hazra S . 2018 . An index for discrimination of mangroves from non-mangroves using LANDSAT 8 OLI imagery . MethodsX , 5 : 1129 - 1139 [ DOI: 10.1016/j.mex.2018.09.011 http://dx.doi.org/10.1016/j.mex.2018.09.011 ] An index for discrimination of mangroves from non-mangroves using LANDSAT 8 OLI imagery Islam M , Borgqvist H and Kumar L . 2019 . Monitoring Mangrove forest landcover changes in the coastline of Bangladesh from 1976 to 2015 . Geocarto International , 34 ( 13 ): 1458 - 1476 [ DOI: 10.1080/10106049.2018.1489423 http://dx.doi.org/10.1080/10106049.2018.1489423 ] Monitoring Mangrove forest landcover changes in the coastline of Bangladesh from 1976 to 2015 Jia M M . 2014 . Remote Sensing analysis of China’s mangrove forests dynamics during 1973 to 2013 . Changchun: Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences Remote Sensing analysis of China’s mangrove forests dynamics during 1973 贾明明 . 2014 . 1973~2013年中国红树林动态变化遥感分析 . 长春 : 中国科学院研究生院(东北地理与农业生态研究所) 1973~2013年中国红树林动态变化遥感分析 Jia M M , Wang Z M , Wang C , Mao D H and Zhang Y Z . 2019 . A new vegetation index to detect periodically submerged mangrove forest using single-tide sentinel-2 imagery . Remote Sensing , 11 ( 17 ): 2043 [ DOI: 10.3390/rs11172043 http://dx.doi.org/10.3390/rs11172043 ] A new vegetation index to detect periodically submerged mangrove forest using single-tide sentinel-2 imagery Jönsson P and Eklundh L . 2004 . TIMESAT—a program for analyzing time-series of satellite sensor data . Computers and Geosciences , 30 ( 8 ): 833 - 845 [ DOI: 10.1016/j.cageo.2004.05.006 http://dx.doi.org/10.1016/j.cageo.2004.05.006 ] TIMESAT—a program for analyzing time-series of satellite sensor data Kumar T , Mandal A , Dutta D , Nagaraja R and Dadhwal V K . 2019 . Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans . Geocarto International , 34 ( 4 ): 415 - 442 [ DOI: 10.1080/10106049.2017.1408699 http://dx.doi.org/10.1080/10106049.2017.1408699 ] Discrimination and classification of mangrove forests using EO-1 Hyperion data: a case study of Indian Sundarbans Li H Y , Jia M M , Zhang R , Ren Y X and Wen X . 2019 . Incorporating the plant phenological trajectory into mangrove species mapping with dense time series sentinel-2 imagery and the Google earth engine platform . Remote Sensing , 11 ( 21 ): 2479 [ DOI: 10.3390/rs11212479 http://dx.doi.org/10.3390/rs11212479 ] Incorporating the plant phenological trajectory into mangrove species mapping with dense time series sentinel-2 imagery and the Google earth engine platform Liang H , Ma Y and Ren G B . 2016 . Remote sensing monitoring of the mangrove forests resources of Kra Isthmus in Thailand . Marine Environmental Science , 35 ( 5 ): 725 - 731 Remote sensing monitoring of the mangrove forests resources of Kra Isthmus in Thailand 梁浩 , 马毅 , 任广波 . 2016 . 泰国克拉地峡东西海岸带红树林变化遥感分析 . 海洋环境科学 , 35 ( 5 ): 725 - 731 [ DOI: 10.13634/j.cnki.mes.2016.05.014 http://dx.doi.org/10.13634/j.cnki.mes.2016.05.014 ] 泰国克拉地峡东西海岸带红树林变化遥感分析 Lin H and Zhang H S . 2021 . Tropical and subtropical remote sensing: needs, challenges, and opportunities . National Remote Sensing Bulletin , 25 ( 1 ): 276 - 291 Tropical and subtropical remote sensing: needs, challenges, and opportunities 林珲 , 张鸿生 . 2021 . 热带与亚热带遥感: 需求、挑战与机遇 . 遥感学报 , 25 ( 1 ): 276 - 291 [ DOI: 10.11834/jrs.20210237 http://dx.doi.org/10.11834/jrs.20210237 ] 热带与亚热带遥感: 需求、挑战与机遇 Liu D Z , Han Z W and Shen C Y . 2019 . Remote sensing analysis of the distribution and change of mangrove forest in Lianjiang from 1991 to 2001 . Marine Sciences , 43 ( 4 ): 22 - 28 Remote sensing analysis of the distribution and change of mangrove forest in Lianjiang from 1991 to 2001 刘大召 , 韩泽文 , 沈春燕 . 2019 . 1991—2011年廉江红树林分布及变化的遥感分析 . 海洋科学 , 43 ( 4 ): 22 - 28 [ DOI: 10.11759/hykx20180625001 http://dx.doi.org/10.11759/hykx20180625001 ] 1991—2011年廉江红树林分布及变化的遥感分析 Liu K , Peng L H , Li X , Tan M and Wang S G . 2019 . Monitoring the inter-annual Change of mangroves based on the Google Earth Engine . Journal of Geo-information Science , 21 ( 5 ): 731 - 739 Monitoring the inter-annual Change of mangroves based on the Google Earth Engine 刘凯 , 彭力恒 , 李想 , 谭敏 , 王树功 . 2019 . 基于Google Earth Engine的红树林年际变化监测研究 . 地球信息科学学报 , 21 ( 5 ): 731 - 739 [ DOI: 10.12082/dqxxkx.2019.180354 http://dx.doi.org/10.12082/dqxxkx.2019.180354 ] 基于Google Earth Engine的红树林年际变化监测研究 Liu X , Fatoyinbo T E , Thomas N M , Guan W W , Zhan Y N , Mondal P , Lagomasino D , Simard M , Trettin C C , Deo R and Barenblitt A . 2021 . Large-scale high-resolution coastal mangrove forests mapping across West Africa with machine learning ensemble and satellite big data . Frontiers in Earth Science , 8 : 560933 [ DOI: 10.3389/feart.2020.560933 http://dx.doi.org/10.3389/feart.2020.560933 ] Large-scale high-resolution coastal mangrove forests mapping across West Africa with machine learning ensemble and satellite big data Long J B and Giri C . 2011 . Mapping the Philippines' mangrove forests using Landsat imagery . Sensors , 11 ( 3 ): 2972 - 2981 [ DOI: 10.3390/s110302972 http://dx.doi.org/10.3390/s110302972 ] Mapping the Philippines' mangrove forests using Landsat imagery Lu C Y , Gao Y B , Chen Y L , Jia M M , Fu W W and Xiong Y L . 2019 . Dynamic change analysis of mangrove swamps based on RS/GIS in Quanzhou Bay . Journal of Forest and Environment , 39 ( 2 ): 143 - 152 Dynamic change analysis of mangrove swamps based on RS/GIS in Quanzhou Bay 路春燕 , 高弋斌 , 陈远丽 , 贾明明 , 傅玮韦华 , 熊怡林 . 2019 . 基于RS/GIS的泉州湾红树林湿地时空动态变化分析 . 森林与环境学报 , 39 ( 2 ): 143 - 152 [ DOI: 10.13324/.cnki.‍jfcf.‍2019.02.005 http://dx.doi.org/10.13324/.cnki.‍jfcf.‍2019.02.005 ] 基于RS/GIS的泉州湾红树林湿地时空动态变化分析 Mandal M S H , Kamruzzaman M and Hosaka T . 2020 . Elucidating the phenology of the Sundarbans mangrove forest using 18-year time series of MODIS vegetation indices . Tropics , 29 ( 2 ): 41 - 55 [ DOI: 10.3759/tropics.MS19-11 http://dx.doi.org/10.3759/tropics.MS19-11 ] Elucidating the phenology of the Sundarbans mangrove forest using 18-year time series of MODIS vegetation indices Pastor-Guzman J , Dash J and Atkinson P M . 2018 . Remote sensing of mangrove forest phenology and its environmental drivers . Remote Sensing of Environment , 205 : 71 - 84 [ DOI: 10.1016/j.rse.2017.11.009 http://dx.doi.org/10.1016/j.rse.2017.11.009 ] Remote sensing of mangrove forest phenology and its environmental drivers Peng L H , Liu K , Cao J J , Zhu Y H , Li F S and Liu L . 2020 . Combining GF-2 and RapidEye satellite data for mapping mangrove species using ensemble machine-learning methods . International Journal of Remote Sensing , 41 ( 3 ): 813 - 838 [ DOI: 10.1080/01431161.2019.1648907 http://dx.doi.org/10.1080/01431161.2019.1648907 ] Combining GF-2 and RapidEye satellite data for mapping mangrove species using ensemble machine-learning methods Savitzky A and Golay M J E . 1964 . Smoothing and differentiation of data by simplified least squares procedures . Analytical Chemistry , 36 ( 8 ): 1627 - 1639 Smoothing and differentiation of data by simplified least squares procedures Sheng N , Xin K and Liao B W . 2021 . Literature analysis concerning studies of ecological functions and values of mangrove wetland . Wetland Science and Management , 17 ( 1 ): 47 - 50 Literature analysis concerning studies of ecological functions and values of mangrove wetland 生农 , 辛琨 , 廖宝文 . 2021 . 红树林湿地生态功能及其价值研究文献学分析 . 湿地科学与管理 , 17 ( 1 ): 47 - 50 [ DOI: 10.3969/j.issn.1673-3290.2021.01.10 http://dx.doi.org/10.3969/j.issn.1673-3290.2021.01.10 ] 红树林湿地生态功能及其价值研究文献学分析 Talukdar S , Singha P , Mahato S , Shahfahad , Pal S , Liou Y A and Rahman A . 2020 . Land-use land-cover classification by machine learning classifiers for satellite observations—a review . Remote Sensing , 12 ( 7 ): 1135 [ DOI: 10.3390/rs12071135 http://dx.doi.org/10.3390/rs12071135 ] Land-use land-cover classification by machine learning classifiers for satellite observations—a review Tamura M and Kikushima K . 2008 . Extraction of mangrove forests using a satellite image and a digital elevation model // Proceedings of SPIE 7104, Remote Sensing for Agriculture, Ecosystems, and Hydrology X . Cardiff : SPIE: 710403 Extraction of mangrove forests using a satellite image and a digital elevation model Thomas N , Bunting P , Lucas R , Hardy A , Rosenqvist A and Fatoyinbo T . 2018 . Mapping mangrove extent and change: a globally applicable approach . Remote Sensing , 10 ( 9 ): 1466 [ DOI: 10.3390/rs10091466 http://dx.doi.org/10.3390/rs10091466 ] Mapping mangrove extent and change: a globally applicable approach Thomas N , Lucas R , Bunting P , Hardy A , Rosenqvist A and Simard M . 2017 . Distribution and drivers of global mangrove forest change, 1996-2010 . PLoS One , 12 ( 6 ): e 0179302 [ DOI: 10.1371/journal.pone.0179302 http://dx.doi.org/10.1371/journal.pone.0179302 ] Distribution and drivers of global mangrove forest change, 1996-2010 Tieng T , Sharma S , MacKenzie R A , Venkattappa M , Sasaki N K and Collin A . 2019 . Mapping mangrove forest cover using Landsat-8 imagery , Sentinel- 2 , Very High Resolution Images and Google Earth Engine algorithm for entire Cambodia. IOP Conference Series : Earth and Environmental Science , 266 : 012010 [ DOI: 10.1088/1755-1315/266/1/012010 http://dx.doi.org/10.1088/1755-1315/266/1/012010 ] Mapping mangrove forest cover using Landsat-8 imagery Vo Q T , Oppelt N , Leinenkugel P and Kuenzer C . 2013 . Remote sensing in mapping mangrove ecosystems—an object-based approach . Remote Sensing , 5 ( 1 ): 183 - 201 [ DOI: 10.3390/rs5010183 http://dx.doi.org/10.3390/rs5010183 ] Remote sensing in mapping mangrove ecosystems—an object-based approach Wang L , Jia M M , Yin D M and Tian J Y . 2019 . A review of remote sensing for mangrove forests: 1956-2018 . Remote Sensing of Environment , 231 : 111223 [ DOI: 10.1016/j.rse.2019.111223 http://dx.doi.org/10.1016/j.rse.2019.111223 ] A review of remote sensing for mangrove forests: 1956-2018 Wang Z Y , Liu K , Peng L H , Cao J J , Sun Y X , Qian Y X and Shi S Y . 2020 . Analysis of mangrove annual changes in Guangdong province during 1986 — 2018 based on google earth engine. Tropical Geography , 40 ( 5 ): 881 - 892 Analysis of mangrove annual changes in Guangdong province during 王子予 , 刘凯 , 彭力恒 , 曹晶晶 , 孙映雪 , 钱雨昕 , 史舒悦 . 2020 . 基于Google Earth Engine的1986—2018年广东红树林年际变化遥感分析 . 热带地理 , 40 ( 5 ): 881 - 892 [ DOI: 10.13284/j.cnki.rddl.003268 http://dx.doi.org/10.13284/j.cnki.rddl.003268 ] 基于Google Earth Engine的1986—2018年广东红树林年际变化遥感分析 Xia Q , Qin C Z , Li H , Huang C and Su F Z . 2018 . Mapping mangrove forests based on multi-tidal high-resolution satellite imagery . Remote Sensing , 10 ( 9 ): 1343 [ DOI: 10.3390/rs10091343 http://dx.doi.org/10.3390/rs10091343 ] Mapping mangrove forests based on multi-tidal high-resolution satellite imagery Xu F , Zhang Y , Zhai L , Liu J and Gu X H . 2020 . Extraction method of intertidal mangrove by using Sentinel－2 images . Bulletin of Surveying and Mapping , ( 2 ): 49 - 54 Extraction method of intertidal mangrove by using Sentinel－2 images 徐芳 , 张英 , 翟亮 , 刘佳 , 谷祥辉 . 2020 . 基于Sentinel-2的潮间红树林提取方法 . 测绘通报 , ( 2 ): 49 - 54 [ DOI: 10.13474/j.cnki.11-2246.2020.0043 http://dx.doi.org/10.13474/j.cnki.11-2246.2020.0043 ] 基于Sentinel-2的潮间红树林提取方法 Yang S C , Lu W X , Zou Z and Li S . 2017 . Mangrove wetlands: distribution, species composition and protection in China . Subtropical Plant Science , 46 ( 4 ): 301 - 310 Mangrove wetlands: distribution, species composition and protection in China 杨盛昌 , 陆文勋 , 邹祯 , 李思 . 2017 . 中国红树林湿地: 分布、种类组成及其保护 . 亚热带植物科学 , 46 ( 4 ): 301 - 310 [ DOI: 10.3969/j.‍issn.‍1009-7791.2017.04.001 http://dx.doi.org/10.3969/j.‍issn.‍1009-7791.2017.04.001 ] 中国红树林湿地: 分布、种类组成及其保护 Zhang H K , Roy D P , Yan L , Li Z B , Huang H Y , Vermote E , Skakun S and Roger J C . 2018 . Characterization of Sentinel-2A and Landsat-8 top of atmosphere, surface, and nadir BRDF adjusted reflectance and NDVI differences . Remote Sensing of Environment , 215 : 482 - 494 [ DOI: 10.1016/j.rse.2018.04.031 http://dx.doi.org/10.1016/j.rse.2018.04.031 ] Characterization of Sentinel-2A and Landsat-8 top of atmosphere, surface, and nadir BRDF adjusted reflectance and NDVI differences Zhang L Y , Lei G P , Guo Y Y and Lu Z . 2021 . Object-oriented land use classification based on Landsat images: a case study of the lower Liaohe Plain . Journal of Basic Science and Engineering , 29 ( 2 ): 261 - 271 Object-oriented land use classification based on Landsat images: a case study of the lower Liaohe Plain 张露洋 , 雷国平 , 郭一洋 , 路中 . 2021 . 基于Landsat影像的面向对象土地利用分类——以下辽河平原为例 . 应用基础与工程科学学报 , 29 ( 2 ): 261 - 271 [ DOI: 10.16058/j.issn.1005-0930.2021.02.002 http://dx.doi.org/10.16058/j.issn.1005-0930.2021.02.002 ] 基于Landsat影像的面向对象土地利用分类——以下辽河平原为例 Zhang W , Chen Z H and Wang J K . 2015 . Monitoring the areal variation of mangrove in Beibu Gulf coast of Guangxi China with remote sensing data . Journal of Guangxi University (Natural Science Edition) , 40 ( 6 ): 1570 - 1576 Monitoring the areal variation of mangrove in Beibu Gulf coast of Guangxi China with remote sensing data 张威 , 陈正华 , 王纪坤 . 2015 . 广西北部湾海岸带红树林变化的遥感监测 . 广西大学学报(自然科学版) , 40 ( 6 ): 1570 - 1576 [ DOI: 10.13624/j.cnki.issn.1001-7445.2015.1570 http://dx.doi.org/10.13624/j.cnki.issn.1001-7445.2015.1570 ] 广西北部湾海岸带红树林变化的遥感监测 Zhang X H . 2016 . Decision tree algorithm of automatically extracting mangrove forests information from Landsat 8 OLI imagery . Remote Sensing for Land and Resources , 28 ( 2 ): 182 - 187 Decision tree algorithm of automatically extracting mangrove forests information from Landsat 8 OLI imagery 张雪红 . 2016 . 基于决策树方法的Landsat8 OLI影像红树林信息自动提取 . 国土资源遥感 , 28 ( 2 ): 182 - 187 [ DOI: 10.6046/gtzyyg.2016.02.28 http://dx.doi.org/10.6046/gtzyyg.2016.02.28 ] 基于决策树方法的Landsat8 OLI影像红树林信息自动提取 Zhao C P and Qin C Z . 2021 . A detailed mangrove map of China for 2019 derived from Sentinel- 1 and - 2 images and Google Earth images. Geoscience Data Journal [ DOI: 10.1002/gdj3.119 http://dx.doi.org/10.1002/gdj3.119 ] A detailed mangrove map of China for 2019 derived from Sentinel- Zhen J N , Liao J J and Shen G Z . 2018 . Mapping mangrove forests of Dongzhaigang nature reserve in China using Landsat 8 and radarsat-2 Polarimetric SAR data . Sensors , 18 ( 11 ): 4012 [ DOI: 10.3390/s18114012 http://dx.doi.org/10.3390/s18114012 ] Mapping mangrove forests of Dongzhaigang nature reserve in China using Landsat 8 and radarsat-2 Polarimetric SAR data Zhou Z C . 2019 . Research on the identification of mangrove forest based on multi-source remote sensing data —A case study of Zhanjiang Mangrove reserve . Changchun : Jilin University Research on the identification of mangrove forest based on multi-source remote sensing data —A case study of Zhanjiang Mangrove reserve 周振超 . 2019 . 基于多源遥感数据的红树林遥感信息识别研究——以湛江自然保护区为例 . 长春 : 吉林大学 基于多源遥感数据的红树林遥感信息识别研究——以湛江自然保护区为例 Zhou Z C , Li H , Huang C , Liu Q S , Liu G H , He Y and Yu H . 2018 . Review on dynamic monitoring of mangrove forestry using remote sensing . Journal of Geo-information Science , 20 ( 11 ): 1631 - 1643 Review on dynamic monitoring of mangrove forestry using remote sensing 周振超 , 李贺 , 黄翀 , 刘庆生 , 刘高焕 , 何云 , 于涵 . 2018 . 红树林遥感动态监测研究进展 . 地球信息科学学报 , 20 ( 11 ): 1631 - 1643 [ DOI: 10.12082/dqxxkx.2018.180247 http://dx.doi.org/10.12082/dqxxkx.2018.180247 ] 红树林遥感动态监测研究进展 致谢:感谢全球红树林监测组织和哥白尼土地监测服务团队发布的GMW2016和CGLS-LC100数据。 10.11834/jrs.20221448 1007-4619（2022）06-1121-22 薛朝辉，钱思羽.2022.融合Landsat 8与Sentinel-2数据的红树林物候信息提取与分类.遥感学报，26（6）： 1121-1142 薛朝辉，钱思羽.2022.融合Landsat 8与Sentinel-2数据的红树林物候信息提取与分类.遥感学报，26（6）： 1121-1142 Xue Z H and Qian S Y. 2022. Fusion of Landsat 8 and Sentinel-2 data for mangrove phenology information extraction and classification. National Remote Sensing Bulletin， 26（6）：1121-1142 Xue Z H and Qian S Y. 2022. Fusion of Landsat 8 and Sentinel-2 data for mangrove phenology information extraction and classification. National Remote Sensing Bulletin， 26（6）：1121-1142 国家自然科学基金（编号： 41971279）；中央高校业务费项目（编号： B200202012） Supported by National Natural Science Foundation of China (No. 41971279)； Research Funds for the Central Universities (No. B200202012) 2021-07-01 2022-06-07 2022-08-04 2021-11-30 遥感学报 6 26